02jun2026
10:00 Defesa de Mestrado Por videoconferência
Tema
Avaliação de Técnicas Não Supervisionadas Para Ajuste de Hiperparâmetros em Classificadores de Uma Classe
Aluno
Danilo Scutti Lima
Orientador / Docente
Jacques Wainer
Breve resumo
Diversos problemas de classificação podem ser tratados por meio de algoritmos de aprendizado de máquina do tipo classe única, cujo objetivo principal é a detecção de anomalias, isto é, a identificação de amostras que não apresentam as características mais frequentemente observadas no conjunto de dados. Um aspecto relevante desses modelos de reconhecimento de padrões refere-se ao ajuste fino de suas variáveis internas de controle, denominadas hiperparâmetros, as quais exercem influência direta sobre o desempenho do processo de classificação. Este trabalho apresenta abordagens de aprendizado supervisionado e não supervisionado aplicadas a esse contexto específico de distinção entre amostras normais e anômalas. No aprendizado supervisionado, é necessária a utilização de bases de dados previamente rotuladas, enquanto tal requisito não se aplica aos métodos não supervisionados, para os quais são discutidas técnicas de otimização de hiperparâmetros capazes de operar sobre dados não rotulados. A aplicação dessas técnicas segue uma metodologia que consiste na divisão de cada base de dados avaliada em três subconjuntos, que podem ou não conter amostras da classe anômala, proporcionando, assim, uma avaliação mais robusta e consistente dos experimentos realizados.
Banca examinadora
Titulares:
| Jacques Wainer | IC/UNICAMP |
| Ronaldo Cristiano Prati | CMCC/UFABC |
| Marcos Medeiros Raimundo | IC/UNICAMP |
Suplentes:
| Vinícius Mourão Alves de Souza | PPGIa/PUCPR |
| Marcelo da Silva Reis | IC/UNICAMP |